🌟sklearn 使用GridSearchCV实现自动调参✨

在机器学习中，模型的性能很大程度上依赖于超参数的选择。手动调整这些参数既耗时又容易出错，而`GridSearchCV`则是解决这一问题的强大工具！它能够通过交叉验证的方式，自动搜索最佳参数组合，从而提升模型表现。🔍

首先，我们需要导入必要的库：

```python

from sklearn.model_selection import GridSearchCV

from sklearn.datasets import load_iris

from sklearn.svm import SVC

```

接着，加载数据并定义模型：

```python

data = load_iris()

X, y = data.data, data.target

model = SVC()

```

然后，设置参数网格和交叉验证策略：

```python

param_grid = {'C': [0.1, 1, 10], 'kernel': ['linear', 'rbf']}

grid_search = GridSearchCV(estimator=model, param_grid=param_grid, cv=5)

```

最后，执行搜索并查看结果：

```python

grid_search.fit(X, y)

print("最优参数:", grid_search.best_params_)

print("最佳得分:", grid_search.best_score_)

```

通过这种方式，我们可以高效地找到最优参数组合，让模型表现更上一层楼！🎉

机器学习 GridSearchCV 自动化调参 sklearn